本文介绍 TypeSafe AI 发布的新模型 Jev，一种名为 System One 的非传统 LLM 模型。Jev 不生成文本，而是通过 RLCD 强化学习训练，对给定状态快速返回结构化决策（Choice、Score、Noul 三种问题类型）及概率，推理速度最高快 200 倍、成本低至 1/400。文章展示了如何通过 LangChain 的 TypeSafeClassifier 集成 Jev，并给出两大应用场景：模型路由（根据任务复杂度自动选择低成本或高性能模型）和 Auto Mode（对危险工具调用进行分类守护，提升 Agent 可信度）。Jev 适合作为 LLM 的补充，在 Agent 循环中承担快速、低成本的分类决策。
TypeSafe AI 于2026年9月发布的 Jev 是一个不做对话和内容生成的专用判断模型，主打低成本、高速度地解决软件中的小型理解判断任务，如工单分类、优先级评分和概率判断，提供 Choice、Score、Noul 三种能力。其极低价格（每百万输入token 0.042美元）和 Vercel、Netlify 的快速接入引发开发者关注。文章分析了其'零幻觉'宣传的真实含义、评测数字的适用边界，并指出 Jev 的价值在于与生成式模型、程序和人分工协作，让软件能以低成本读懂小问题。
本文是 Jev（一个通用 System One 模型）的新手指南。Jev 专为快速、聚焦的判断设计，而非长推理或开放式写作。用户给它提供上下文（状态）和决策表（问题），它返回结构化答案及不确定性概率。答案类型包括 Choice（单选）、Noul（是/否概率）和 Score（有序打分），可一次请求多个互不影响的问题。文章介绍了 Jev Playground 中的六个用例，如支持工单分流、模型路由、Agent 工具调用守卫、智能家居请求等，并强调最终决策应由代码完成：设置阈值、硬规则和权限判断。Jev 适合重复性、答案有界的判断场景，但在算术、计数、日期、对抗性输入等方面表现不均，需谨慎使用。
本文系统整理了 Jev 及同类决策模型的学习资料，涵盖 12 大主题、58 份资料、80 个链接。文章首先解释了 Jev 是 TypeSafe AI 推出的决策模型，输入为状态、问题和候选项，输出为结构化的选择、评分及概率分布。作者分析了评估此类模型的关键维度：动态候选项、受限输出与概率校准、推理方式、训练方式及答案边界。随后提供了按目的划分的阅读路径（入门、本地试用、训练研究、中文场景、Agent 应用），并分类整理了云端决策服务（OpenAI Decisions、Liquid d1）、开放模型（Cloudflare Clef、Perplexity Decider、GLiNER2.5-Decide）及本地社区实现（Laya、Kev）等资源，是一份完整的决策模型学习导航。
文章介绍了TypeSafe AI于2026年9月发布的Jev模型，一个不做文本生成、只做封闭判断的“System One Model”。它提供三种能力：Choice（选项选择）、Score（等级打分）和Noul（真假概率判断），直接返回类型化结果和概率，省去生成文本的延迟和成本。文章分析了Jev与生成式模型的本质区别，指出类型安全只保证接口格式而非事实正确，概率不等于正确率，并详细说明其在缺陷分诊、Agent路由、发布说明审核等真实场景中的应用方法，以及官方Agent Skill倡导的AI工作流拆分法：代码负责计算和规则，模型只做清楚的语义判断。
文章介绍了旧金山创业公司 TypeSafe 推出的闭源基础模型 Jev。它不做文本生成，只做判断题、选择题和打分题，输出严格限定在预设选项内，可在约100毫秒内出结果，成本极低。其核心技术是通过 RLCD 强化学习实现概率校准，类似于卡尼曼所说的 System 1 快思考，与传统大模型的慢思考互补。文章展示了社区应用案例，如浏览器 Agent、游戏实时决策、LangChain 工具路由、AI 输出审核等，也指出其在数数、算数、多跳推理和中文上的短板及提示词注入风险，认为 AI 调用正在走向分层架构。
文章分析了 TypeSafe 发布的新模型 Jev——一种只能做分类、评分和路由决策、不能生成文本的'System One'模型。Jev 比通用 LLM 快 40-200 倍、便宜 40-400 倍，通过 RLCD 训练方法实现零样本概率判断。早期独立测试显示其准确率接近 GPT-5.6 等大模型，垃圾邮件分类甚至可媲美有标注训练的分类器。代价是失去了解释能力，无法说明判断理由。作者认为这可能改变 AI 应用架构：用 Jev 做大规模廉价监控评估，用 LLM 判官处理少量样本以获取改进方向信号。
Jev 是由 ChatGPT 联合创造者、RLHF 联合发明人 Diogo Almeida 在隐身两年后推出的决策型 AI 模型。它不做对话生成，而是为软件提供快速决策：选择题、评分、是/否判断，号称比前沿 LLM 快约 200 倍、便宜 400 倍，响应仅需几十毫秒。文章盘点了社区基于 Jev 构建的 9 个实际应用，包括 7 秒找机票的浏览器代理、上下文即时压缩工具、编码代理安全审查器、模型路由中间件等。其命名源自 19 世纪经济学家 Jevons，暗喻资源越便宜消耗越多的悖论。
TypeSafe AI推出的新模型Jev只做高频决策判断，不能聊天或写代码，是一个通用分类器。它由前OpenAI创始人Diogo Almeida打造，采用自研RLCD训练方法（面向校准决策的强化学习），响应仅需380毫秒，速度快20-200倍，成本低40-400倍。文章通过浏览器插件过滤X内容、玩马里奥、操控浏览器等案例展示其能力，并在预筛任务中与GLM、DeepSeek、Qwen对比，Jev在并行判断任务上综合表现最优。其名源自杰文斯悖论，寓意智能判断将因便宜而被大量使用，可能代表Agent时代的重要新方向。
作者分享了自己获批使用 TypeSafe AI 推出的 Jev 模型后的体验，并整理了一份 Awesome Jev 项目清单。Jev 是一个不生成文本、只返回选项、分数和概率的低延迟判断模型，可并行输出结果。文中介绍了 14 个基于 Jev 的项目，包括高速浏览器 Agent、MCP 集成工具、命令行语义判断工具、模型路由器、上下文垃圾回收、代码审查前置筛选、语义寻路、知识图谱、桌面自动化、交易流动性分析以及 FPS 游戏等应用场景。核心思路是：用 Jev 反复做'要不要、选哪个、打几分、下一步干什么'的判断，复杂推理和生成任务仍交给传统大模型，从而降低成本、提升速度。
文章介绍 LangChain 如何为开源编码代理 Open SWE 构建模型路由器。作者首先通过 LangSmith 追踪数据分析任务类型与复杂度分布，发现许多任务无需前沿级模型；随后基于 Artificial Analysis 智能指数挑选快速、均衡、高性能三档模型（GLM-5.3-Flash、GPT-5.6 Sol、GPT-6 Astra）；最后在 agent harness 的中间件层实现路由器，由分类模型根据任务标准选择最便宜可胜任的模型。结果显示每线程成本中位数降低 64%，质量无明显变化。文章强调路由决策应置于 harness 中，因其拥有网关所缺乏的任务与领域上下文。
作者基于 Glean 的四个真实企业场景测试了 Jev——一个输出类型化决策（选项、分数、概率）而非生成文本的'System One'模型。文章梳理了通用 LLM、零样本分类器、微调分类器与 Jev 的替代方案权衡，并对比了 Qwen/SGLang、Kev 等开源复现。实验显示：查询分类上 Jev 零样本明显优于 Laya 但微调后反超；模型路由（专家转移）是最强结果，准确率更高且中位加速 8.1 倍；重排序中 Jev 的 Choice 表述最强，但平均 41 个候选中约 37 个分数相同需靠生产排序打破平局。结论是 Jev 在新任务或标签频繁变化时最具吸引力，是否被高估取决于具体场景。
TypeSafe AI 发布了决策模型 Jev，不同于传统 LLM，它不生成文本，而是返回带概率的结构化决策结果，在路由、分类等窄任务上比领先 LLM 快 200 倍、便宜 400 倍，并具有一致性和可并行性。LangChain 团队认为这与其'prod, not god'理念契合：代码掌控工作流，AI 只处理需要语义判断的分支。文章介绍如何用 LangGraph 编排 Jev 决策，包括节点、状态和边的架构，以及持久化执行、人在环路和可观测性等可靠运行时能力，实现可靠、可测试的 AI 驱动生产系统。
